A fabricação de baterias melhores, produtos eletrônicos mais rápidos e produtos farmacêuticos mais eficazes depende da descoberta de novos materiais e da verificação de sua qualidade. A inteligência synthetic está ajudando no primeiro caso, com ferramentas que vasculham catálogos de materiais para identificar rapidamente candidatos promissores.
Mas uma vez fabricado um materials, a verificação da sua qualidade ainda envolve a sua digitalização com instrumentos especializados para validar o seu desempenho – um passo dispendioso e demorado que pode atrasar o desenvolvimento e a distribuição de novas tecnologias.
Agora, uma nova ferramenta de IA desenvolvida por engenheiros do MIT poderia ajudar a eliminar o gargalo do controlo de qualidade, oferecendo uma opção mais rápida e barata para certas indústrias orientadas para materiais.
Em um estudo aparecendo hoje no diário Matériaos pesquisadores apresentam o “SpectroGen”, uma ferramenta generativa de IA que turbina os recursos de varredura servindo como um espectrômetro digital. A ferramenta capta “espectros”, ou medições de um materials em uma modalidade de varredura, como infravermelho, e gera como seriam os espectros desse materials se fosse escaneado em uma modalidade totalmente diferente, como raios X. Os resultados espectrais gerados por IA correspondem, com 99% de precisão, aos resultados obtidos na varredura física do materials com o novo instrumento.
Certas modalidades espectroscópicas revelam propriedades específicas em um materials: o infravermelho revela os grupos moleculares de um materials, enquanto a difração de raios X visualiza as estruturas cristalinas do materials e o espalhamento Raman ilumina as vibrações moleculares de um materials. Cada uma dessas propriedades é essencial para medir a qualidade de um materials e normalmente requer fluxos de trabalho tediosos em vários instrumentos distintos e caros para medir.
Com o SpectroGen, os pesquisadores prevêem que uma diversidade de medições possa ser feita usando um osciloscópio físico único e mais barato. Por exemplo, uma linha de produção poderia realizar o controle de qualidade dos materiais escaneando-os com uma única câmera infravermelha. Esses espectros infravermelhos poderiam então ser alimentados no SpectroGen para gerar automaticamente os espectros de raios X do materials, sem que a fábrica tivesse que abrigar e operar um laboratório de varredura de raios X separado, muitas vezes mais caro.
A nova ferramenta de IA gera espectros em menos de um minuto, mil vezes mais rápido em comparação com abordagens tradicionais que podem levar de várias horas a dias para serem medidas e validadas.
“Achamos que não é necessário fazer medições físicas em todas as modalidades necessárias, mas talvez apenas em uma modalidade única, simples e barata”, diz a coautora do estudo Loza Tadesse, professora assistente de engenharia mecânica no MIT. “Então você pode usar o SpectroGen para gerar o resto. E isso poderia melhorar a produtividade, a eficiência e a qualidade da fabricação.”
O principal autor do estudo é o ex-pós-doutorado do MIT Yanmin Zhu.
Além dos títulos
O grupo interdisciplinar de Tadesse no MIT é pioneiro em tecnologias que promovem a saúde humana e planetária, desenvolvendo inovações para aplicações que vão desde o diagnóstico rápido de doenças até a agricultura sustentável.
“O diagnóstico de doenças e a análise de materiais em geral geralmente envolvem a digitalização de amostras e a coleta de espectros em diferentes modalidades, com diferentes instrumentos que são volumosos e caros e que talvez nem todos sejam encontrados em um laboratório”, diz Tadesse. “Então, estávamos pensando em como miniaturizar todo esse equipamento e como agilizar o pipeline experimental.”
Zhu observou o uso crescente de ferramentas generativas de IA para descobrir novos materiais e candidatos a medicamentos, e questionou se a IA também poderia ser aproveitada para gerar dados espectrais. Em outras palavras, a IA poderia atuar como um espectrômetro digital?
Um espectroscópio investiga as propriedades de um materials enviando luz de um determinado comprimento de onda para o materials. Essa luz faz com que as ligações moleculares no materials vibrem de forma a espalhar a luz de volta para o osciloscópio, onde a luz é registada como um padrão de ondas, ou espectros, que pode então ser lido como uma assinatura da estrutura do materials.
Para que a IA gere dados espectrais, a abordagem convencional envolveria o treinamento de um algoritmo para reconhecer conexões entre átomos físicos e características de um materials, e os espectros que eles produzem. Dada a complexidade das estruturas moleculares dentro de apenas um materials, Tadesse diz que tal abordagem pode rapidamente tornar-se intratável.
“Fazer isso mesmo para apenas um materials é impossível”, diz ela. “Então, pensamos, existe outra maneira de interpretar espectros?”
A equipe encontrou uma resposta com matemática. Eles perceberam que um padrão espectral, que é uma sequência de formas de onda, pode ser representado matematicamente. Por exemplo, um espectro que contém uma série de curvas em forma de sino é conhecido como distribuição “Gaussiana”, que está associada a uma determinada expressão matemática, em comparação com uma série de ondas mais estreitas, conhecida como distribuição “Lorentziana”, que é descrita por um algoritmo separado e distinto. E acontece que, para a maioria dos materiais, os espectros infravermelhos contêm caracteristicamente mais formas de onda Lorentzianas, enquanto os espectros Raman são mais gaussianos, e os espectros de raios X são uma mistura dos dois.
Tadesse e Zhu trabalharam essa interpretação matemática de dados espectrais em um algoritmo que eles então incorporaram em um modelo generativo de IA.
“É uma IA generativa com experiência em física que entende o que são espectros, “Tadesse diz.” E a principal novidade é que interpretamos os espectros não como eles surgem de produtos químicos e ligações, mas como na verdade são matemáticas – curvas e gráficos, que uma ferramenta de IA pode compreender e interpretar. “
Copiloto de dados
A equipe demonstrou sua ferramenta SpectroGen AI em um grande conjunto de dados disponível publicamente de mais de 6.000 amostras minerais. Cada amostra inclui informações sobre as propriedades do mineral, como sua composição elementar e estrutura cristalina. Muitas amostras no conjunto de dados também incluem dados espectrais em diferentes modalidades, como raios X, Raman e infravermelho. Dessas amostras, a equipe forneceu várias centenas ao SpectroGen, em um processo que treinou a ferramenta de IA, também conhecida como rede neural, para aprender correlações entre as diferentes modalidades espectrais de um mineral. Esse treinamento permitiu que o SpectroGen captasse espectros de um materials em uma modalidade, como no infravermelho, e gerasse como deveriam ser os espectros em uma modalidade totalmente diferente, como o raio X.
Depois de treinarem a ferramenta de IA, os pesquisadores alimentaram os espectros do SpectroGen a partir de um mineral do conjunto de dados que não foi incluído no processo de treinamento. Eles pediram à ferramenta para gerar espectros em uma modalidade diferente, com base nesses “novos” espectros. Eles descobriram que os espectros gerados pela IA eram muito parecidos com os espectros reais do mineral, que foram originalmente registrados por um instrumento físico. Os pesquisadores realizaram testes semelhantes com vários outros minerais e descobriram que a ferramenta de IA gerou espectros rapidamente, com correlação de 99%.
“Podemos alimentar dados espectrais na rede e obter outro tipo totalmente diferente de dados espectrais, com precisão muito alta, em menos de um minuto”, diz Zhu.
A equipe afirma que o SpectroGen pode gerar espectros para qualquer tipo de mineral. Num ambiente de produção, por exemplo, os materiais de base mineral utilizados para fabricar semicondutores e tecnologias de baterias poderiam primeiro ser rapidamente digitalizados por um laser infravermelho. Os espectros dessa varredura infravermelha poderiam ser alimentados no SpectroGen, que então geraria espectros em raios X, que os operadores ou uma plataforma de IA multiagente podem verificar para avaliar a qualidade do materials.
“Penso nisso como ter um agente ou copiloto, apoiando pesquisadores, técnicos, oleodutos e a indústria”, diz Tadesse. “Planejamos personalizar isso para as necessidades de diferentes setores.”
A equipa está a explorar formas de adaptar a ferramenta de IA para diagnóstico de doenças e para monitorização agrícola através de um próximo projeto financiado pela Google. Tadesse também está avançando a tecnologia para o campo por meio de uma nova startup e prevê disponibilizar o SpectroGen para uma ampla gama de setores, desde farmacêutico até semicondutores e defesa.